Model Lightweight Strategy Under Federated Edge Learning Framework

Yinlong Li

doi:10.1109/TVT.2025.3604824

Model Lightweight Strategy Under Federated Edge Learning Framework

2025-09-02

0

PRE

AI

DOI：10.1109/TVT.2025.3604824

原文链接

原文求助

摘要

En 中文

移动通信设备（如手机）和车载系统中的自动驾驶技术已无处不在。现有移动设备的能量和计算能力有限。联邦学习中本地训练的能量消耗较大。为降低计算能耗，我们提出了一种面向客户端模型轻量级联邦边缘学习框架。我们尝试从在边缘服务器上训练的大型联邦全局模型中提取一个适合在移动设备上执行的轻量级模型。直接训练小模型将涉及多次本地模型传输，导致能耗从计算转移到通信。我们旨在将更多计算任务转移到边缘服务器。为此，我们设计了一种伪向量压缩方法以减少数据传输能耗。该框架可将大部分模型训练迁移至边缘服务器，同时保证客户端模型的精度并降低其能耗。此外，我们对轻量级模型的参数进行剪枝和调整，使其更具个性化。我们还提供了算法的收敛性分析，并证明了该算法的收敛性。实验结果表明，我们提出的框架和算法不仅降低了移动设备的计算开销，还确保了本地轻量级模型的有效性。

Keyword:

Federated edge learning

lightweight model

pruning

pseudo vector sharing

computational energy optimization

Model Lightweight Strategy Under Federated Edge Learning Framework

摘要

期刊

机构

引用论文